陳香月 丁建麗 葛翔宇 王 飛 王敬哲

(1.新疆大學(xué)智慧城市與環(huán)境建模自治區(qū)普通高校重點(diǎn)實(shí)驗(yàn)室， 烏魯木齊 830046；2.新疆大學(xué)綠洲生態(tài)教育部重點(diǎn)實(shí)驗(yàn)室， 烏魯木齊 830046;3.深圳大學(xué)自然資源部大灣區(qū)地理環(huán)境監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室， 深圳 518060)

0 引言

土壤鹽漬化指水溶性鹽分向土壤表面遷移和聚集的過程，是自然因素和不合理的人類活動(dòng)共同作用影響下的產(chǎn)物[1-3]。在人口快速增長(zhǎng)背景下，現(xiàn)有土地資源難以繼續(xù)承載更多的人口生產(chǎn)生活所需，合理開發(fā)利用后備耕地資源，對(duì)緩解土地資源稀缺綠洲地區(qū)的人地矛盾尤為關(guān)鍵，也成為近年來新的研究熱點(diǎn)。如何準(zhǔn)確、快速、廉價(jià)獲取鹽漬化信息是科學(xué)合理開發(fā)鹽漬土地資源的重要依據(jù)。近年來，遙感技術(shù)因其具有回訪周期快、覆蓋面積廣、成本低、獲取方便，且非侵入土壤等優(yōu)勢(shì)，已成為土壤鹽漬化信息數(shù)字制圖研究中廣泛應(yīng)用的有效工具[4]。

地表的異質(zhì)性意味著就單一尺度研究地學(xué)問題具有一定局限性，通常基于特定尺度的研究結(jié)果較難直接推廣至其他尺度，尺度上的細(xì)微變化都將引出新的科學(xué)問題[5-6]。尺度問題研究的根本目的是挖掘時(shí)空尺度特征信息，從而找到與研究對(duì)象的觀測(cè)尺度相匹配的本征時(shí)空尺度。土壤鹽漬化往往具有極強(qiáng)的時(shí)空變異性，受各類環(huán)境要素影響極大，對(duì)土壤鹽漬化現(xiàn)象發(fā)生發(fā)展的深刻理解都離不開尺度問題這一環(huán)節(jié)[7-8]。由于遙感影像具有多分辨率(多尺度)特性，不同尺度在遙感數(shù)據(jù)中所呈現(xiàn)的地物信息豐富度存在顯著差異，通常某些規(guī)律往往在特定的尺度下才被發(fā)現(xiàn)，尺度的不適配將會(huì)降低土壤鹽度模擬效果，故探尋最優(yōu)研究尺度對(duì)于干旱區(qū)綠洲土壤鹽漬化研究具有重要意義。

在土壤研究中，基于遙感數(shù)據(jù)計(jì)算的環(huán)境變量常被用于預(yù)測(cè)土壤屬性的空間分布。鹽分含量及其組成成分是影響鹽漬化土壤光譜特征的主要因素，已有研究表明鹽分含量增加會(huì)引起反射率增加[9-10]。植被作為土壤鹽漬化程度的間接指示器，其光譜特性是各種生態(tài)環(huán)境因子的綜合表達(dá)，而為了有效理解這種表達(dá)，需要在合適的尺度下開展研究[11-12]。目前，已有部分學(xué)者對(duì)土壤屬性與遙感數(shù)據(jù)尺度(柵格單元大小)之間的關(guān)系進(jìn)行了初步分析[13-14]，并在此基礎(chǔ)上對(duì)其衍生的生物物理過程開展相關(guān)研究[15-16]，但基于植被光譜特征信息間接推理土壤屬性研究多停留在單一尺度上，對(duì)不同尺度下環(huán)境變量對(duì)土壤屬性的解析尚不夠深入。而忽略尺度效應(yīng)可能會(huì)導(dǎo)致難以充分理解“土壤-環(huán)境”間的復(fù)雜關(guān)系，更會(huì)限制土壤鹽漬化遙感模型的性能[17]。

鑒于此，本研究針對(duì)土壤鹽漬化這一典型土壤退化過程開展尺度效應(yīng)研究，以新疆北部典型綠洲——奇臺(tái)綠洲為研究區(qū)，利用遙感衍生數(shù)據(jù)與土壤表層實(shí)測(cè)電導(dǎo)率數(shù)據(jù)，定量描述土壤鹽度與環(huán)境變量關(guān)系之間的尺度影響，結(jié)合機(jī)器學(xué)習(xí)算法通過多環(huán)境變量對(duì)土壤鹽度分尺度進(jìn)行模擬，并獲取不同尺度下各環(huán)境變量對(duì)土壤鹽度的解析能力，以期找出最優(yōu)響應(yīng)尺度，充分理解不同尺度下環(huán)境變量與土壤鹽度之間的復(fù)雜關(guān)系，對(duì)綠洲土壤鹽漬化狀況進(jìn)行有效評(píng)估，為干旱區(qū)綠洲農(nóng)業(yè)可持續(xù)發(fā)展提供科學(xué)參考與數(shù)據(jù)支持。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

奇臺(tái)綠洲位于新疆維吾爾自治區(qū)昌吉回族自治州奇臺(tái)縣境內(nèi)，地處新疆維吾爾自治區(qū)東北部，博格達(dá)山北麓，天山山脈東側(cè)。研究區(qū)(43.95°～44.20°N，89.20°～90.00°E，圖1)位于奇臺(tái)縣平原地區(qū)，屬溫帶大陸性干旱半干旱氣候，夏季高溫少雨，日溫差、年溫差較大，多年平均降水量為211.9 mm，多年平均蒸發(fā)量為1 735.7 mm，蒸降比高達(dá)8∶1，強(qiáng)烈的蒸散發(fā)作用及水資源的不合理利用導(dǎo)致奇臺(tái)縣內(nèi)廣泛存在土壤鹽堿化問題。全區(qū)約有31%農(nóng)業(yè)土地存在鹽堿化現(xiàn)象，嚴(yán)重危害到當(dāng)?shù)氐纳鷳B(tài)環(huán)境與農(nóng)業(yè)生產(chǎn)生活[18]。

1.2 采樣數(shù)據(jù)

本研究利用的樣本采樣時(shí)間為2009年6月，樣本量為58個(gè)，樣本主要集中在綠洲平原區(qū)，主要的土地利用與覆蓋類型包括：農(nóng)田、荒漠、灌叢、稀疏草地、草地等。以梅花五點(diǎn)混合采樣方法采取表層土壤(0～20 cm)約500 g，同時(shí)記錄樣品相應(yīng)的地理坐標(biāo)，標(biāo)記后用自封袋封裝帶回實(shí)驗(yàn)室。采集得到的樣本在室內(nèi)剔除雜質(zhì)晾干后進(jìn)行研磨與過篩處理(2 mm)，采用土水質(zhì)量比1∶5制備土壤懸濁液，利用土壤溶液電導(dǎo)率儀對(duì)制備的浸提取液進(jìn)行電導(dǎo)率(dS/m)測(cè)定[17]。

1.3 遙感數(shù)據(jù)

Landsat TM是搭載于Landsat 4/5衛(wèi)星上的光學(xué)成像傳感器，提供了大量中分辨率和長(zhǎng)時(shí)間序列的遙感數(shù)據(jù)。其光譜范圍從可見光波長(zhǎng)(0.45 μm)到中紅外波長(zhǎng)(12.5 μm)間共7個(gè)波段，重訪周期為16 d，空間分辨率為30 m。從美國(guó)USGS官網(wǎng)下載2009年6月過境的Landsat TM影像，行列號(hào)為141/29，以完全覆蓋所有采樣點(diǎn)且云量覆蓋低于10%為準(zhǔn)。通過ENVI軟件對(duì)數(shù)據(jù)進(jìn)行輻射定標(biāo)、大氣校正，最后將輻射率轉(zhuǎn)為研究需要的地表反射率以進(jìn)行后續(xù)分析。

1.4 尺度轉(zhuǎn)換

地理空間數(shù)據(jù)多具有尺度依賴性，尺度效應(yīng)被認(rèn)為是對(duì)地觀測(cè)中不可忽略的問題，嚴(yán)重制約了遙感、地信等學(xué)科的發(fā)展，故在研究中考慮尺度問題非常必要[19-20]。魏陽(yáng)等[21]研究表明，就干旱區(qū)綠洲土壤而言，在地面分辨率1 km左右開展土壤鹽度尺度效應(yīng)研究是有效的?；诖耍狙芯坎捎脰鸥裰夭蓸雍袜徲?yàn)V波兩種升尺度方法，將最大分辨率控制在1 km左右，以此為閾值對(duì)影像進(jìn)行升尺度轉(zhuǎn)換。柵格重采樣方法選用最鄰近法，基于像元對(duì)影像進(jìn)行重采樣計(jì)算，鄰域?yàn)V波方法主要是基于鄰域窗口的選擇，在特定空間分辨率下按照n×n移動(dòng)窗口分別計(jì)算3×3、5×5、…、31×31多個(gè)鄰域?yàn)V波，其中窗口尺度為奇數(shù)，數(shù)值間隔為2，見圖2。具體而言，利用ENVI軟件中的重采樣模塊(Resize data)將空間分辨率為30 m的原始遙感數(shù)據(jù)進(jìn)行柵格重采樣處理，研究以30 m為步長(zhǎng)將原始遙感數(shù)據(jù)依次重采樣至990 m。在鄰域?yàn)V波計(jì)算中，選擇了7種原始分辨率，分別為30、60、90、120、150、180、210 m，鄰域?yàn)V波窗口尺度選擇了3×3、5×5、… 31×31共計(jì)15個(gè)級(jí)別，共對(duì)應(yīng)39個(gè)尺度，利用ENVI中的鄰域?yàn)V波模塊(Occurrence measures)實(shí)現(xiàn)。

1.5 環(huán)境變量

基于尺度變換后的遙感影像，計(jì)算應(yīng)用于土壤鹽度評(píng)價(jià)的植被指數(shù)和歸一化紅外指數(shù)[17]以及圖像衍生變換參量(表1)。植被與土壤關(guān)系密不可分，作為地表變化的直接觀測(cè)因子，其長(zhǎng)勢(shì)能夠間接反映土壤鹽漬化程度[22-23]。且已有研究表明，相較于單純利用土壤信息進(jìn)行鹽度預(yù)測(cè)，植被光譜信息的引入可以有效改善預(yù)測(cè)效果[24]。其中，歸一化植被指數(shù)(NDVI)、擴(kuò)展歸一化植被指數(shù)(ENDVI)以及擴(kuò)展增強(qiáng)性植被指數(shù)(EEVI)已經(jīng)被證實(shí)可以間接用以判斷土壤鹽度[25-26]。歸一化紅外指數(shù)(NDII)，亦稱土壤濕度/水分含量指數(shù)，通過融合Landsat TM的短波紅外波段信息，使得NDII對(duì)冠層濕度與土壤鹽度具有一定指示作用。圖像變換衍生因子某種程度上可以對(duì)原始波段信息進(jìn)行高度凝練，對(duì)海量數(shù)據(jù)進(jìn)行有效降維，避免維數(shù)災(zāi)難。其中主成分分析(Principal components analysis, PCA)通過生成互不相關(guān)的輸出波段，研究表明主成分分析的前3個(gè)波段(PCA1、PCA2、PCA3)占數(shù)據(jù)整體信息高達(dá)90%以上，達(dá)到隔離噪聲和減少數(shù)據(jù)集的維數(shù)目的；纓帽變換(Tasseled cap transformation，TC)是一種特殊的主成分分析，該變換將地表信息有效地轉(zhuǎn)換成3個(gè)主題因子，分別為亮度(TCB)、植被綠度(TCG)和土壤濕度(TCW)，可近似作為土壤屬性的相關(guān)指示因子。通過上述兩種尺度轉(zhuǎn)換方法共產(chǎn)生720個(gè)環(huán)境變量用于耦合多尺度和機(jī)器學(xué)習(xí)算法的土壤鹽度估算。

表1 選取的環(huán)境變量Tab.1 Environmental variables derived from pretreated remote sensed imagery

1.6 梯度提升決策樹

梯度提升決策樹(Gradient boosting decision tree，GBDT)[27-28]是一種由多棵決策樹組成的集成學(xué)習(xí)方法，它采用Boosting思想將多個(gè)弱分類器組成一個(gè)強(qiáng)分類器。該算法的基本原理是通過迭代計(jì)算，不斷減小模型的殘差，在梯度方向上建立一個(gè)新的模型來代替舊的模型[29]，并在構(gòu)建新模型的過程可以迭代地生成基本分類器的組合，從而將損失函數(shù)最小化。作為典型的集成算法，GBDT減少模型在建模過程中梯度方向上的殘差，相較于傳統(tǒng)的機(jī)器學(xué)習(xí)模型具有更好的預(yù)測(cè)能力[30]，不僅能夠靈活地處理各類離散數(shù)據(jù)，同時(shí)無需過分調(diào)節(jié)超參數(shù)，更為重要的是，GBDT對(duì)輸入變量的數(shù)量及其自相關(guān)不敏感，還可以使用一些較為穩(wěn)健的損失函數(shù)，對(duì)異常值具有較好的魯棒性[31-32]。針對(duì)遙感影像這一高維數(shù)據(jù)源，GBDT算法可最大程度實(shí)現(xiàn)信息的準(zhǔn)確提取。因此，本研究基于GBDT，在不同尺度下利用環(huán)境變量進(jìn)行土壤鹽度模擬，并獲取不同環(huán)境變量對(duì)土壤鹽度的貢獻(xiàn)度。隨機(jī)抽取建模集，并固定驗(yàn)證集，以此優(yōu)化模型參數(shù)，經(jīng)多次訓(xùn)練后，GBDT模型具體參數(shù)設(shè)置為：迭代回歸樹數(shù)量為300，學(xué)習(xí)速率為0.01，葉子節(jié)點(diǎn)的最小個(gè)數(shù)為7，交叉驗(yàn)證折數(shù)為3，算法依托R語言平臺(tái)實(shí)現(xiàn)，流程如圖3所示。

2 結(jié)果與分析

2.1 GBDT模型構(gòu)建及驗(yàn)證

2.2 柵格重采樣變換后土壤鹽度估算

基于GBDT算法，對(duì)不同柵格重采樣尺度下土壤鹽度進(jìn)行預(yù)測(cè)，并計(jì)算相應(yīng)尺度下不同環(huán)境變量對(duì)土壤鹽度的貢獻(xiàn)權(quán)重及其總體解析能力。為可視化表達(dá)不同尺度下環(huán)境變量對(duì)土壤鹽度的解析效果，本文引入泰勒?qǐng)D進(jìn)行相關(guān)表述(圖4，圖中黑色虛線表示調(diào)整R2，藍(lán)色弧線表示RMSE(dS/m)，當(dāng)調(diào)整R2越高、RMSE越小時(shí)模型效果越好)。圖4a為不同柵格重采樣尺度環(huán)境變量對(duì)土壤鹽度的解析能力，尺度范圍為30～990 m，在不同尺度條件下，不同環(huán)境變量對(duì)土壤鹽度的響應(yīng)也不盡相同。

表2 土壤鹽度預(yù)測(cè)效果Tab.2 Statistical results of estimated soil salinity based on various scale conversion modes

由圖4a可知，上述柵格重采樣尺度的調(diào)整R2在0.56～0.75之間，RMSE在1.10～1.47 dS/m之間，其中在柵格重采樣尺度60 m下，對(duì)于解析土壤表層鹽度-環(huán)境變量效果最好，解析能力達(dá)到了75.31%(R2>0.75)，為單一柵格重采樣尺度下研究土壤表層鹽度-環(huán)境變量關(guān)系的最佳尺度。結(jié)合不同尺度下各環(huán)境變量對(duì)土壤鹽度貢獻(xiàn)權(quán)重(圖5)發(fā)現(xiàn)，對(duì)應(yīng)柵格重采樣尺度60 m下，對(duì)土壤表層鹽度貢獻(xiàn)率從高到低依次為NDII、EEVI、PC2、ENDVI，其貢獻(xiàn)率總和達(dá)到了77.32%，解釋了77.32%的土壤鹽漬化變異，這也佐證了本研究使用植被指數(shù)對(duì)表層土壤鹽度進(jìn)行表征是可行的。隨著尺度的上升，GBDT算法對(duì)于環(huán)境變量和土壤鹽度的關(guān)系描述效果越來越不理想。其中，起主導(dǎo)作用的環(huán)境變量從原有與植被相關(guān)的TCG、植被指數(shù)等變成了圖像衍生變換參量，這可能歸因于隨著分辨率的下降，原始數(shù)據(jù)所包含的信息豐富度損失，植被特征被弱化，而PC、TC等參數(shù)以其獨(dú)有的信息優(yōu)勢(shì)過渡為主導(dǎo)因素。

2.3 鄰域?yàn)V波變化后土壤鹽度估算

對(duì)30～210 m柵格重采樣分辨率下對(duì)應(yīng)計(jì)算鄰域窗口3×3、5×5、…、31×31的鄰域?yàn)V波進(jìn)行土壤鹽度的預(yù)測(cè)，并獲取各環(huán)境變量對(duì)土壤鹽度影響權(quán)重，結(jié)果見圖4、6。由圖4b可知，在30 m分辨率多種鄰域?yàn)V波尺度下，土壤鹽度-環(huán)境變量之間的調(diào)整R2最大值為0.79，RMSE為1.02 dS/m，可解釋78.55%的土壤鹽度變化，對(duì)應(yīng)鄰域窗口11×11，地面分辨率為330 m、響應(yīng)的環(huán)境變量依次為TCG、ENDVI、PC3、NDVI、NDII，能夠解釋近78.57%的鹽度變異性。圖4c、4d為60～210 m柵格重采樣分辨率下多種鄰域?yàn)V波尺度對(duì)土壤鹽度與環(huán)境變量關(guān)系的表征，調(diào)整R2為0.66～0.78之間。當(dāng)基礎(chǔ)柵格重采樣尺度為60 m時(shí)，R2在0.68～0.78之間，RMSE為1.05～1.25 dS/m，其中當(dāng)?shù)孛娣直媛蕿?00 m、鄰域窗口為5×5時(shí)效果最好；90 m時(shí)，R2在0.69～0.74之間，RMSE為1.05～1.24 dS/m，其中當(dāng)?shù)孛娣直媛蕿?70 m、鄰域窗口為3×3時(shí)效果最好；120～210 m時(shí)，R2在0.66～0.76之間，其中當(dāng)窗口為5×5時(shí)效果最好；對(duì)土壤鹽度的解析力分別達(dá)到76.01%、68.11%、69.41%、67.97%。可以發(fā)現(xiàn)，當(dāng)初始分辨率為30、60、90 m和120～210 m時(shí)，對(duì)應(yīng)最佳鄰域窗口分別為11×11、5×5、3×3、5×5，其中當(dāng)初始空間分辨率為30～90 m時(shí)，最優(yōu)土壤鹽度表征尺度為300 m左右。單一柵格重采樣尺度下，伴隨著鄰域窗口的變大，土壤鹽度對(duì)環(huán)境變量的解析程度也在下降；單一鄰域尺度下，隨著柵格重采樣尺度的增大其對(duì)環(huán)境變量的響應(yīng)也在弱化。即隨著尺度上升，調(diào)整R2總體呈下降趨勢(shì)，RMSE呈上升趨勢(shì)，其中與土壤鹽度相關(guān)的環(huán)境變量集中為與植被相關(guān)的TCG和植被指數(shù)。

2.4 多尺度協(xié)同作用下土壤鹽度估算

通過GBDT算法結(jié)合多尺度環(huán)境變量對(duì)土壤鹽度進(jìn)行模擬，并獲取多尺度下環(huán)境變量指征土壤鹽度的最優(yōu)組合。圖7為多尺度下基于原始分辨率數(shù)據(jù)和鄰域?yàn)V波尺度，考量環(huán)境變量對(duì)土壤鹽度-環(huán)境變量的協(xié)同影響。在參與分析的30～990 m所有柵格重采樣尺度時(shí)，其調(diào)整R2可達(dá)到0.91，RMSE為0.68 dS/m，對(duì)土壤鹽度的解析度達(dá)到90.63%。對(duì)鄰域?yàn)V波，分別以30、60、90、120、150、180、210 m為基礎(chǔ)分辨率，討論在上述7個(gè)基礎(chǔ)柵格重采樣分辨率下隨著鄰域窗口的變化環(huán)境變量與土壤鹽度的響應(yīng)情況，結(jié)果如圖7所示，在空間分辨率為30、60、90、120、150、180、210 m時(shí)，其對(duì)土壤鹽度預(yù)測(cè)的調(diào)整R2分別為0.86、0.85、0.82、0.80、0.77、0.73、0.67，RMSE分別為0.81、0.85、0.94、0.99、1.06、1.14、1.27 dS/m，隨著基礎(chǔ)空間分辨率的下降，調(diào)整R2降低，環(huán)境變量對(duì)土壤鹽度的解析力度逐漸降低。當(dāng)考慮30～210 m所有鄰域?yàn)V波的情況下，對(duì)土壤鹽度的調(diào)整R2可達(dá)到0.88，RMSE為0.78 dS/m，由此可見，相較于鄰域?yàn)V波變換，柵格重采樣可以更為顯著提高土壤鹽漬化建模效果。當(dāng)考慮全尺度情況下，調(diào)整R2達(dá)到0.91，RMSE低至0.68 dS/m，對(duì)土壤鹽度的解析度達(dá)到90.66%，與柵格重采樣多尺度下性能接近，故當(dāng)考慮全尺度時(shí)，增加鄰域?yàn)V波尺度對(duì)環(huán)境變量與土壤鹽度關(guān)系的研究改善有限。綜上所述，多尺度協(xié)同極大地提高了環(huán)境變量對(duì)土壤鹽度的解釋力，其中柵格重采樣尺度對(duì)環(huán)境變量與土壤鹽度關(guān)系的研究起到主導(dǎo)作用。

3 討論

在植被覆蓋度高的區(qū)域，土壤鹽漬化會(huì)造成植被紅光波段反射率增加、近紅外波段反射率下降，故植被指數(shù)的變化有助于推測(cè)鹽漬化的程度和發(fā)展趨勢(shì)[3]?；诖?，在綠洲地區(qū)，已有許多學(xué)者開展了相關(guān)研究，結(jié)果表明，因干旱區(qū)地理環(huán)境存在顯著的差異性，環(huán)境變量在某個(gè)區(qū)域表現(xiàn)出的高解析力，其泛化能力尚不可知；不同鹽度等級(jí)下的土壤鹽度光譜信息存在明顯差異，遙感指數(shù)在鹽漬化表征上具有復(fù)雜的不確定性；受多種因素影響，環(huán)境變量的數(shù)量和類別上還有待進(jìn)一步優(yōu)化[21]。在本研究中，隨著柵格分辨率的上升，環(huán)境變量對(duì)土壤鹽度的解析能力從與植被相關(guān)的TCG、植被指數(shù)等變成了圖像衍生變換參量，如PC1、PC2。對(duì)鄰域?yàn)V波而言，TCG、PC3、NDII、TCW和ENDVI可解析69.83%的土壤鹽度變異，對(duì)土壤鹽度的預(yù)測(cè)具有一定的應(yīng)用優(yōu)勢(shì)。不同柵格重采樣和鄰域?yàn)V波窗口尺度下，環(huán)境變量與土壤鹽度的關(guān)系存在較為明顯的差異，這說明了環(huán)境變量與土壤鹽度之間存在強(qiáng)尺度依賴性。MULLER等[33]在多種分辨率下對(duì)比了植被指數(shù)與土壤鹽度之間的耦合關(guān)系，發(fā)現(xiàn)隨著分辨率的降低其響應(yīng)尺度也在降低，這與本研究得到的結(jié)論基本一致，如在30 m分辨率時(shí)，最佳鄰域窗口為11×11，隨著分辨率變?yōu)?0、90 m，最佳鄰域窗口分別為5×5、3×3。然而，值得注意的是當(dāng)分辨率在120～210 m時(shí)，最佳鄰域窗口穩(wěn)定在5×5，這可能與研究區(qū)獨(dú)特的地理特征及土壤屬性的空間變異性有關(guān)。

尺度問題是生態(tài)學(xué)研究中最具挑戰(zhàn)的問題之一，也是遙感生態(tài)學(xué)需要面對(duì)的主要問題，反演的準(zhǔn)確性和遙感數(shù)據(jù)的空間精度有很大的關(guān)系[34-35]。本研究以國(guó)內(nèi)外研究者廣泛選用的Landsat 影像為數(shù)據(jù)源，針對(duì)土壤鹽漬化現(xiàn)象，分析了土壤鹽度-環(huán)境變量關(guān)系的尺度效應(yīng)。但該數(shù)據(jù)的空間分辨率(觀測(cè)尺度)為30 m，僅依據(jù)單次采樣數(shù)據(jù)結(jié)合遙感對(duì)土壤鹽度進(jìn)行模擬，仍存在一定的不確定性。隨著遙感技術(shù)的發(fā)展及傳感器分辨率的不斷提升，更優(yōu)質(zhì)的遙感數(shù)據(jù)的出現(xiàn)(更高空間分辨率、更寬光譜范圍等，如歐洲空間局的Sentinel-2多光譜遙感數(shù)據(jù))，為進(jìn)一步研究尺度對(duì)土壤鹽度-環(huán)境變量之間耦合關(guān)系提供了新的選擇。同時(shí)，本研究使用固定觀測(cè)尺度，柵格重采樣的步長(zhǎng)為30 m(像元逐個(gè)加入)，但這可能造成某些尺度被遺漏。而高空間分辨率數(shù)據(jù)的引入則可以縮短研究間隔，使得更為細(xì)致地研究環(huán)境變量-土壤鹽度的尺度效應(yīng)成為可能。需要注意的是，由于地表空間異質(zhì)性的存在會(huì)影響土壤屬性或者過程模擬的精確程度，故合適的柵格分辨率和鄰域?yàn)V波尺度的選擇最終依賴于研究區(qū)的地域特點(diǎn)，即被模擬屬性的空間變異性和分布規(guī)律。

4 結(jié)論

(1)單一尺度下，鄰域?yàn)V波尺度對(duì)綠洲土壤鹽度的模擬總體優(yōu)于重采樣模式。在單一柵格重采樣尺度下，60 m柵格重采樣尺度對(duì)土壤表層鹽度-環(huán)境變量解析效果最好，解析能力達(dá)到75.31%；單一鄰域?yàn)V波尺度下，初始分辨率為30 m、鄰域窗口為11×11是土壤表層鹽度-環(huán)境變量最佳表征尺度，解析能力為78.55%，隨著鄰域窗口尺度的外推，其對(duì)土壤鹽度的響應(yīng)效果逐漸減弱。

(2)柵格重采樣模式相對(duì)鄰域?yàn)V波而言，其調(diào)整R2波動(dòng)范圍更為寬泛，分布范圍為0.56～0.75，而后者變化平緩。一定程度上說明，柵格重采樣方法對(duì)土壤鹽度-環(huán)境變量關(guān)系的變化較為敏感，鄰域?yàn)V波對(duì)土壤鹽度-環(huán)境變量關(guān)系的敏感程度相對(duì)較弱。

(3)當(dāng)考慮融合多種尺度時(shí)，環(huán)境變量對(duì)土壤鹽度的模擬精度相比僅利用單一尺度而言，得到極大程度提升，具體表現(xiàn)在R2從0.78提高到0.91，RMSE從1.02 dS/m降低到0.68 dS/m，對(duì)土壤鹽度的解析度最高可達(dá)到90.66%，這也體現(xiàn)了不同環(huán)境變量協(xié)同作用可最大程度發(fā)揮其最大響應(yīng)效力，同時(shí)變量之間的信息進(jìn)行了有效互補(bǔ)。